Anomali og fejldetektion: Journalindførselstest og outlier-analyse

Gevinster:

• Forstå, hvorfor journalindførselstest er obligatorisk under BDS 240, og hvordan kunstig intelligens kan scanne mistænkelige adgangskriterier
• Evne til at markere og prioritere outliers, usædvanlig timing og usædvanlige mængdemønstre med støtte til kunstig intelligens
• At være i stand til at fastholde, at enhver uregelmæssighed, der markeres af kunstig intelligens, ikke er et fund, men et spørgsmålstegn, som revisoren vil undersøge, og elimineringen af falske positiver er menneskeligt ansvar.

En virksomheds regnskaber er grundlæggende summen af ​​millioner af journalposter (i regnskabet registreres hver finansiel transaktion som debet og kredit). Både fejl og svindel lever i sidste ende i en journalpostering: et beløb skrevet til den forkerte konto, en godtgørelse der "glemmes" og tilbageføres i slutningen af ​​perioden, en usædvanlig postering som indtastes manuelt midt om natten. Derfor kræver BDS 240 (standarden, der regulerer revisors ansvar vedrørende svig i forbindelse med revision af regnskaber) klart, at revisor udfører journalposttest. Dens formål er at afsløre mulige manipulationer fra ledelsens side gennem ledelsestilsidesættelse.

I denne enhed vil vi dække, hvordan man forvandler kunstig intelligens til en motor for anomali og fejldetektion, men hvorfor hver markeret post er et "spørgsmålstegn" snarere end et "fund". De første to begreber. En anomali er en usædvanlig registrering i et datasæt, der afviger fra det forventede mønster. En outlier er en observation, der er numerisk signifikant forskellig fra de andre (såsom en meget stor mængde, en meget høj frekvens). Anomali er ikke altid en fejl; men det er der, revisoren skal kigge.

Mistænkelige posteringskriterier i journalindførselstest

BDS 240 angiver, at optegnelser med visse karakteristika er mere fremtrædende i forhold til risikoen for svindel. AI kan scanne hundredtusindvis af poster baseret på disse kriterier på få sekunder. Typiske "rødt flag"-kriterier:

• Usædvanlig timing: Manuelle optegnelser indtastet efter arbejdstid, i en weekend, på en helligdag eller på den sidste dag i terminens udløb.
• Usædvanlig bruger: Registreringer indtastet af en bruger, der normalt ikke indtaster regnskabsposter (f.eks. en administrator).
• Usædvanlige kontokombinationer: Posteringer mellem konti, der ikke forventer hinanden (f.eks. en indtægtskonto og en usædvanlig ikke-kontantkonto).
• Runde beløb: "rens" store beløb såsom 100.000, 500.000; Det er et typisk spor af manuel manipulation.
• Poster med tomme eller tvetydige beskrivelser: tomme beskrivelser såsom "korrektion", "diverse", "foreløbig".
• Omvendte poster: Optegnelser indtastet i begyndelsen af ​​perioden og annulleret (storno) efter kort tid.
• Dubletter af undertærskel: Et stort antal registreringer samlet lige under godkendelsesgrænsen (f.eks. 50.000 USD).

Tip: Tænk over disse kriterier sammen, ikke hver for sig. "Rundt beløb" alene kan være uskyldigt; men "weekend, af en administrator, beskrivelse tom, rund konsistent, manuel postering i slutningen af ​​perioden" er et stærkt rødt flag. At have AI kombinere kriterier for at producere en "risikoscore" hjælper dig med at prioritere.

Den falske positive sandhed: hvorfor ikke ethvert tegn er et fund

Naturen af uregelmæssig scanning er falske positiver: poster markeret af reglen, som faktisk er legitime. For eksempel indskriver en virksomhed automatisk en round-robin huslejeoptjening den sidste hverdag i hver måned; Dette hænger sammen med kriteriet "rundt beløb + periodeafslutning", men det er helt normalt. Revisorens opgave er at udvinde reel risiko fra den flagede bunke. Denne sortering kan ikke overføres; fordi at skelne legitim fra mistænkelig kræver at kende virksomheden og konteksten - noget AI ikke har.

Så læs altid output sådan her: "AI'en flagede 420 poster for mig. De fleste af dem er sandsynligvis falske positiver. Min opgave er at finde ud af disse 420 dem, der virkelig skal undersøges, mønstrene og de individuelle mistænkelige." Denne visning beskytter dig mod både automatiseringsbias (at tage ethvert tegn for en fejl) og dovenskab (ikke at se på nogen af ​​dem).

Anomalidetektion trin for trin

1. Forbered data og kontroller fuldstændigheden. (Afstemningstrin i forrige enhed.)
2. Definer kriterierne klart. Hvilken timing, mængde, bruger- og beskrivelsesmønstre vil blive markeret?
3. Scan og score med AI. Marker hver post i henhold til kriterier; Giv højere prioritet til dem, der opfylder flere kriterier.
4. Fjern falske positiver. Filtrer eller marker kendte legitime mønstre (såsom automatiske periodiseringer).
5. Undersøg de resterende optegnelser. Link hver til støttedokumentet, godkendelsen og forretningslogikken.
6. Dokumenter konklusion og begrundelse. Skriv ned, hvad du fandt mistænkeligt og hvorfor, og hvad du fjernede og hvorfor.

tre minisager

Tilfælde 1 — Faktisk konstatering. En revisor scannede 240.000 journalposter med AI; Den kombinerede kriterierne "sidste 3 dage af perioden + manuel + beskrivelse 'korrektion' + 100.000 gange beløbet". 14 plader fik høje karakterer. I gennemgangen var 11 legitime årsafslutningsjusteringer; Der blev dog indtastet 3 poster på en måde, der ville puste indkomstkontoen op og tilbageføres den følgende periode, og der var ingen underbyggende dokumentation. Dette var et mønster, hvor ledelsen gik uden om kontrol og var et væsentligt fund. AI’en stillede 14 spørgsmål; Revisorens skepsis fandt de 3 rigtige svar.

Case 2 — Falsk positiv fælde. Et teammedlem skrev de 380 "runde konsistente" poster, som AI havde markeret direkte på arbejdsarket under overskriften "mistænkelige transaktioner." Da betjenten kiggede, så han, at de fleste af dem havde fast husleje, fast konsulenthonorar og automatiske afskrivninger; de var alle legitime. Arbejdsarket var blevet en "liste over falske fund", der førte revisionen i den forkerte retning. Lektion: ikke enhver markeret post er en konstatering; Revisor foretager udvælgelsen.

Sag 3 — For snævert opstilling af kriterierne. En revisor brugte kun "weekend record"-kriteriet og fandt ingen mistænkelige poster; Han var lettet. I forretningen blev der dog indført manipulative poster i hverdagens arbejdstid, men med usædvanlige kontokombinationer. At stole på et enkelt, snævert kriterium forhindrede ham i at se den reelle risiko. Da revisor udvidede kriterierne, kom mønsteret frem. Lektion: enkelt kriterium giver ikke sikkerhed; Se på det multidimensionelt.

Svag prompt / Stærk prompt

Svag prompt:

Find svigagtige posteringer i disse journalposter.

Problem: AI kan ikke "opdage" snyd; Svig er en juridisk/professionel konsekvens, ikke et datamønster. Også "svigagtig" er udefineret. Denne prompt producerer enten en sammensat "snydeliste" eller meningsløse flag.

Kraftig prompt:

Din rolle: Du er en uafhængig revisors journalføringsanalyseassistent. Du MÆRKER posten efter kriterierne; Beslutning om snyd/fejl tilhører mig.Kontekst: Anonymiserede journaldata (kolonner: postnummer, dato, klokkeslæt, brugerrolle, debetkonto, kreditkonto, beløb, posttype[manuel/automatisk], beskrivelse). Afslutning af semester: 31.12. Arbejdstid: 09:00-18:00, man-fre.Opgave:1) Giv en "opmærksomhedsscore" til hver post i henhold til følgende kriterier (afhængigt af hvor mange kriterier der er knyttet): a) record_type=manual b) dato mellem 29-31 december ELLER weekend/ferie c) time fri d) afrundet beløb 0) TLe, er fast beløb 0 TLe, beskrivelse {korrektion, diverse, midlertidig} i2) Giv dem med en score på 3 og derover som en prioriteret liste.3) Skriv hvert kriterium du anvender i almindelig tekst (reviderbarhed).4) Gør det klart, at disse er "undtagelser, der skal undersøges" og ikke er RESULTAT af svindel/fejl. Tilføjelse af en falsk post.

Denne prompt er kraftfuld, fordi den klart definerer kriterierne, kræver multidimensionelle scoringer, auditerbarhed og nøjagtigt lokaliserer outputtet (undtagelsen, ikke resultatet).

Almindelige fejl

• Det betyder "find tricket". AI opdager ikke snyd; sætter en karakter i henhold til kriterierne. Snyd er en faglig/juridisk konsekvens.
• Forveksler tegnet med et fund. At skrive den mistænkelige post som "fejl" uden at eliminere falske positiver.
• Stoler på ét kriterium. Bruger en snæver regel og mangler det rigtige mønster.
• Ikke at bortfiltrere legitime mønstre. Skaber støj ved at inkludere automatiske periodiseringer i den mistænkelige liste.
• Dokumenterer ikke begrundelsen. At lade arbejdsarket være usporbart uden at skrive ned, hvad du har elimineret/beholdt og hvorfor.

Forsigtig: At beskrive en optagelse som "mistænkelig" er en alvorlig udtalelse. Bekræft med beviser (underbyggende dokument, bekræftelse, business case), før du skriver som en konstatering. Ellers vil du være uretfærdig over for virksomheden og skade revisionskvaliteten.

Sammenfattende

Journalindførselstest er påkrævet under BDS 240, og AI er den ideelle motor til dette: den scanner hundredtusindvis af poster mod multidimensionelle kriterier på få sekunder og producerer en opmærksomhedsscore. Men AI "opdager" ikke snyd eller fejl; det markerer kun det usædvanlige. Outputtet er en bunke undtagelser fuld af falske positiver; Det er op til revisors skepsis og dømmekraft at sortere den reelle risiko fra det, eliminere den legitime og drage konklusioner. Tegnet er et spørgsmålstegn, ikke et svar.

Ansøgningsopgave

Angiv fem anomalikriterier for en hypotetisk journaldata (tidsplan, bruger, beløb, kontokombination, beskrivelse). Få AI til at producere en multidimensionel "opmærksomhedsscore" med det kraftfulde promptmønster ovenfor. Skriv derefter en “screeningsvejledning”: hvilke legitime mønstre (automatisk optjening, fast husleje osv.) skal filtreres fra som falske positiver? Til sidst, for de 5 rekorder med høj score, "hvilket bevis leder jeg efter?" Besvar spørgsmålet.

tjekliste

• [ ] Jeg anonymiserede dataene og bekræftede deres fuldstændighed.
• [ ] Jeg definerede anomalikriterierne multidimensionelt og klart.
• [ ] Jeg modtog klarteksten af ​​opmærksomhedsscoren og anvendte kriterier fra AI.
• [ ] Jeg filtrerede kendte legitime mønstre fra som falske positive.
• [ ] Jeg har gennemgået rekorder med høj score med understøttende dokumentation og bekræftelse.
• [ ] Jeg bekræftede det med beviser, før jeg konkluderede "snyd/fejl".
• [ ] Jeg dokumenterede, hvad jeg fandt mistænkeligt og hvorfor.